《電子技術(shù)應(yīng)用》
您所在的位置：首頁 > 其他 > 設(shè)計(jì)應(yīng)用 > 信貸自動(dòng)審批模型的對(duì)抗攻擊風(fēng)險(xiǎn)研究
信貸自動(dòng)審批模型的對(duì)抗攻擊風(fēng)險(xiǎn)研究
信息技術(shù)與網(wǎng)絡(luò)安全 2期
林琴萍1，李 庚1，崔潤(rùn)邦2，鄧 江2
(1.天津大學(xué) 管理與經(jīng)濟(jì)學(xué)部，天津300072；2.北京泛鈦客科技有限公司，北京100124)
摘要： 近期，銀行等金融機(jī)構(gòu)引進(jìn)自動(dòng)信貸審批系統(tǒng)來取代傳統(tǒng)的人工審批，而自動(dòng)信貸審批系統(tǒng)在何種程度上會(huì)受到對(duì)抗樣本的攻擊有待研究。通過實(shí)驗(yàn)對(duì)信貸對(duì)抗樣本攻擊的問題進(jìn)行了驗(yàn)證。首先，基于申請(qǐng)人的信貸數(shù)據(jù)對(duì)XGBoost模型進(jìn)行訓(xùn)練，預(yù)測(cè)申請(qǐng)人行為，并選擇原始樣本。其次，使用“非違約申請(qǐng)人”對(duì)改進(jìn)的GAN模型進(jìn)行訓(xùn)練，并用于生成特征值，通過修改原始樣本以構(gòu)建對(duì)抗樣本，使得修改后的特征值接近于“非違約申請(qǐng)人”密集分布的特征值。最后，使用訓(xùn)練好的XGBoost模型將對(duì)抗樣本進(jìn)行分類。在實(shí)驗(yàn)中生成的對(duì)抗樣本可以混淆XGBoost模型。當(dāng)修改后的特征值的數(shù)量增加時(shí)，對(duì)抗樣本的生成率總體呈上升趨勢(shì)。實(shí)驗(yàn)驗(yàn)證，對(duì)抗樣本的攻擊將對(duì)自動(dòng)信貸審批系統(tǒng)造成安全風(fēng)險(xiǎn)。
中圖分類號(hào)： TP391
文獻(xiàn)標(biāo)識(shí)碼： A
DOI： 10.19358/j.issn.2096-5133.2022.02.009
引用格式： 林琴萍，李庚，崔潤(rùn)邦，等. 信貸自動(dòng)審批模型的對(duì)抗攻擊風(fēng)險(xiǎn)研究[J].信息技術(shù)與網(wǎng)絡(luò)安全，2022，41(2)：53-60.
Research on adversarial attack risk of automatic credit approval model
Lin Qinping1，Li Geng1，Cui Runbang2，Deng Jiang2
(1.College of Management and Economics，Tianjin University，Tianjin 300072，China； 2.Beijing Fantastic Technology Ltd.，Beijing 100124，China)
Abstract： Recently, many banks and other financial institutions have introduced automated credit approval systems to replace the traditional manual approval. Automatic credit approval system is vulnerable to attack from adversarial examples. This paper presents an experiment of credit adversarial examples attack.Firstly, the XGBoost model is trained based on all applicants′ credit data to predict applicant behavior and select the original sample. Secondly, the ′Non-default applicant′ is used to train the improved GAN model and generate eigenvalues, and then some features of the original sample are modified to construct the confrontation sample. The modified eigenvalue is close to the eigenvalue of the dense distribution of ′Non-default applicant′. Finally, the trained XGBoost model is used to classify the confrontation examples. We find that in the experiment, the generated confrontation examples can confuse the XGBoost model. When the number of modified eigenvalues increases, the generation rate of confrontation examples is on the rise. In short, the experiment shows that the attack from adversarial examples will pose security risks to the automatic credit approval system.
Key words : credit loan;adversarial attack;adversarial examples；generative adversarial networks

0 引言

信貸審批是指銀行等金融機(jī)構(gòu)基于采集信息獲取信貸分?jǐn)?shù)，篩選出潛在的“違約”申請(qǐng)人，并決定最終是否向申請(qǐng)人放貸的過程。據(jù)調(diào)查，約有80%的信貸風(fēng)險(xiǎn)來源于信貸審批環(huán)節(jié)。數(shù)據(jù)顯示，一旦申請(qǐng)人獲得了信貸審批，后續(xù)的管理便只能控制住20%的風(fēng)險(xiǎn)。因此，加強(qiáng)針對(duì)這一環(huán)節(jié)的金融風(fēng)險(xiǎn)管控對(duì)銀行等金融機(jī)構(gòu)而言具有重要意義。近年來，信貸審批所需的數(shù)據(jù)集規(guī)模日益增大，人工信貸審批效率低下且繁雜，已經(jīng)難以滿足日常業(yè)務(wù)需求。為改善客戶體驗(yàn)，提高審批效率，銀行等金融機(jī)構(gòu)引進(jìn)了自動(dòng)信貸審批系統(tǒng)以取代人工審批。相比于人工審批，自動(dòng)信貸審批系統(tǒng)通常采用高性能的機(jī)器學(xué)習(xí)模型作為信貸評(píng)分模型，可以精確地捕捉申請(qǐng)人的風(fēng)險(xiǎn)偏好、消費(fèi)習(xí)慣和個(gè)人信用狀況。因此，自動(dòng)信貸審批系統(tǒng)下的審批過程更快速、更精準(zhǔn)、更全面。自動(dòng)信貸審批系統(tǒng)已經(jīng)被廣泛應(yīng)用于信用信貸、汽車信貸、抵押貸款等業(yè)務(wù)中，代表了金融技術(shù)升級(jí)方向和信用智能化趨勢(shì)。

信貸數(shù)據(jù)的安全性正成為嚴(yán)峻挑戰(zhàn)，數(shù)據(jù)泄露事件頻發(fā)給銀行業(yè)、金融業(yè)造成了難以估量的損失。例如，2019年7月，美國最大的商業(yè)銀行——第一資本金融公司發(fā)現(xiàn)，其銀行系統(tǒng)遭受黑客入侵，導(dǎo)致超過一億個(gè)申請(qǐng)人數(shù)據(jù)(包括電話號(hào)碼、年齡、工資、信用額度、交易信息和信用評(píng)分等)泄露。除了數(shù)據(jù)泄露等傳統(tǒng)安全問題之外，機(jī)器學(xué)習(xí)領(lǐng)域特有的“對(duì)抗樣本攻擊”通過對(duì)原始樣本進(jìn)行微小調(diào)整，可以使原始模型得出高置信度下的錯(cuò)誤分類，也成為信貸自動(dòng)審批系統(tǒng)所面臨的重大挑戰(zhàn)。



本文詳細(xì)內(nèi)容請(qǐng)下載：http://ihrv.cn/resource/share/2000003951




作者信息：

林琴萍1，李  庚1，崔潤(rùn)邦2，鄧  江2

(1.天津大學(xué) 管理與經(jīng)濟(jì)學(xué)部，天津300072；2.北京泛鈦客科技有限公司，北京100124)


微信圖片_20210517164139.jpg




此內(nèi)容為AET網(wǎng)站原創(chuàng)，未經(jīng)授權(quán)禁止轉(zhuǎn)載。